[論文レビュー] Massive Access in Cell-Free Massive MIMO-Based Internet of Things: Cloud Computing and Edge Computing Paradigms

Malong Ke, Zhen Gao+3 more|arXiv (Cornell University)|Jul 19, 2020

Advanced MIMO Systems Optimization参考文献 32被引用数 6

ひとこと要約

本稿では、セルフリース・マスィブMIMOベースのIoTネットワークにおける同時アクティブユーザ検出（AUD）とチャネル推定（CE）のため、構造的スパarsityに基づく一般化された近似メッセージパッシング（SS-GAMP）アルゴリズムと逐次インタファレンスキャンセリング（SIC）を組み合わせた手法を提案する。クラウドとエッジコンピューティングのパラダイムを比較し、エッジコンピューティングが低プロセッサ負荷および低バックハールド負荷でほぼ同等の性能を達成し、低分解能量子化下でアクセス遅延を顕著に低減することを示している。

ABSTRACT

This paper studies massive access in cell-free massive multi-input multi-output (MIMO) based Internet of Things and solves the challenging active user detection (AUD) and channel estimation (CE) problems. For the uplink transmission, we propose an advanced frame structure design to reduce the access latency. Moreover, by considering the cooperation of all access points (APs), we investigate two processing paradigms at the receiver for massive access: cloud computing and edge computing. For cloud computing, all APs are connected to a centralized processing unit (CPU), and the signals received at all APs are centrally processed at the CPU. While for edge computing, the central processing is offloaded to part of APs equipped with distributed processing units, so that the AUD and CE can be performed in a distributed processing strategy. Furthermore, by leveraging the structured sparsity of the channel matrix, we develop a structured sparsity-based generalized approximated message passing (SS-GAMP) algorithm for reliable joint AUD and CE, where the quantization accuracy of the processed signals is taken into account. Based on the SS-GAMP algorithm, a successive interference cancellation-based AUD and CE scheme is further developed under two paradigms for reduced access latency. Simulation results validate the superiority of the proposed approach over the state-of-the-art baseline schemes. Besides, the results reveal that the edge computing can achieve the similar massive access performance as the cloud computing, and the edge computing is capable of alleviating the burden on CPU, having a faster access response, and supporting more flexible AP cooperation.

研究の動機と目的

• スパースで低遅延なユーザ活動を示すセルフリース・マスィブMIMOベースのIoTネットワークにおけるマスィブアクセスの課題に対処する。
• 従来のゲート付き方式やシングルセル手法の制限を克服し、分散型アクセスポイント（AP）間での協調信号処理を可能にする。
• 制限されたパイロットおよびバックハールドリソース下で、低遅延かつ高精度な同時アクティブユーザ検出（AUD）とチャネル推定（CE）のソリューションを開発する。
• パフォーマンス、遅延、システムコストの観点から、AUDおよびCEにおけるクラウドコンピューティングとエッジコンピューティングのパラダイムを評価・比較する。
• 実用的展開における実際のハードウェア制約を反映させるために、信号処理における量子化効果を組み込む。

提案手法

• ゲートフリーのマスィブアクセスにおける上行リンクアクセス遅延を低減するための新しいフレーム構造を提案する。
• 時間領域および角度領域におけるチャネル行列の構造的スパarsityを活用し、検出および推定性能を向上させる。
• 処理信号の低分解能量子化を考慮した構造的スパarsityに基づく一般化された近似メッセージパッシング（SS-GAMP）アルゴリズムを開発する。
• 強いユーザを段階的に検出およびキャンセルすることで遅延を低減する、逐次インタファレンスキャンセリング（SIC）に基づくAUDおよびCE方式を設計する。
• 2つの処理パラダイムを実装する：クラウドコンピューティング（CPUでの集中処理）とエッジコンピューティング（選択されたDPU搭載APを介した分散処理）。
• 量子化効果をモデル化するために、非線形モジュールを備えたSS-GAMPアルゴリズムを用い、低精度システムにおけるロバストネスを向上させる。

実験結果

リサーチクエスチョン

• RQ1 セルフリース・マスィブMIMO IoTにおけるチャネル行列の構造的スパarsityは、どのようにして同時アクティブユーザ検出とチャネル推定の性能向上に寄与できるか？
• RQ2 低分解能信号量子化がAUDおよびCE性能に与える影響は何か？実用的システムではどのように緩和できるか？
• RQ3 エッジコンピューティングは、バックハールドおよびCPU負荷を低減しながら、クラウドコンピューティングと同等の性能を達成できるか？
• RQ4 協調するAPの数が、エッジコンピューティングにおけるAUDおよびCEタスクの性能に与える影響は何か？
• RQ5 低精度環境下で、SICベースの方式は従来手法に比べてどれほどアクセス遅延を低減できるか？

主な発見

• 提案されたSS-GAMPベースの方式は、特に低分解能量子化（Q = 3–5ビット）下で、ベースライン手法に比べてAUDおよびチャネル推定（CE）性能において優れている。
• DPUを搭載したAPが10個中4個のエッジコンピューティングでも、クラウドコンピューティングとほぼ同等のAUDおよびCE性能を達成しており、高い効率性を示している。
• SICベースの方式は、従来手法に比べてアクセス遅延を顕著に低減しており、特に低精度量子化環境下で顕著である。
• 量子化ビット数（Q）を増やすことで、AUDおよびCE性能が向上し、実用的システムにおける信号分解能の重要性を裏付けている。
• 構造的スパarsityの効果は、特にアンテナ数が多いAP（例：Mc = 16）を有するマスィブMIMO環境で顕著であり、角度領域におけるスパarsityが強い場合に顕著である。
• エッジコンピューティングは、パフォーマンスを維持しながらCPUおよびバックハールド負荷を低減し、集中型クラウド処理よりもスケーラブルでコスト効果的なソリューションを提供する。